Sistema de IA diseñado para actuar de forma autónoma: percibe su entorno, toma decisiones y ejecuta acciones para alcanzar objetivos específicos, a menudo en secuencias de varios pasos sin supervisión humana continua.
Capacidad de comprender, evaluar y usar de forma efectiva las herramientas y tecnologías de inteligencia artificial. Incluye conocimiento de conceptos, algoritmos, privacidad de datos, ética e implicaciones sociales de la IA.
Conjunto de instrucciones claras y no ambiguas que describe cómo resolver una clase de problemas en un número finito de pasos. En IA, los algoritmos son la base del entrenamiento de modelos de aprendizaje automático.
Subcampo de la IA que permite a los sistemas aprender y mejorar a partir de datos sin ser programados explícitamente para cada tarea. Los modelos detectan patrones y toman decisiones basadas en datos de entrenamiento.
Técnica de aprendizaje automático basada en redes neuronales con múltiples capas que aprende de grandes volúmenes de datos no estructurados como imágenes, texto o audio. Es la base del reconocimiento facial y la traducción automática.
Tipo de aprendizaje automático donde un agente aprende mediante ensayo y error, recibiendo recompensas o penalizaciones según sus acciones. Es clave en el desarrollo de sistemas como AlphaGo o los motores de juego.
Enfoque de aprendizaje automático en que el modelo se entrena con datos etiquetados (con respuesta correcta conocida), aprendiendo a predecir resultados para nuevas entradas.
Modalidad de aprendizaje automático donde el modelo trabaja con datos sin etiquetar, descubriendo patrones y estructuras ocultas de forma autónoma.
Subcampo que permite a los modelos procesar y relacionar simultáneamente distintos tipos de datos como texto, imágenes y audio. Ejemplo: modelos como GPT-4o que leen imágenes y responden preguntas sobre ellas.
Conjunto de reglas y protocolos que permite que diferentes aplicaciones se comuniquen entre sí. En el contexto de IA, las APIs permiten integrar modelos y servicios de inteligencia artificial en otras aplicaciones.
Cuestión ética que surge cuando se usa IA generativa en la producción de trabajos académicos. Implica definir qué constituye contribución intelectual propia y cómo declarar el uso de herramientas de IA.
Conjuntos de datos de gran volumen, variedad y velocidad que requieren herramientas especiales para su almacenamiento, procesamiento y análisis. En IA, el Big Data es el combustible para entrenar modelos complejos.
Incorporación de prejuicios en los datos de entrenamiento o en los algoritmos que puede producir resultados injustos o discriminatorios. El sesgo puede reflejar y amplificar desigualdades sociales existentes.
Programa informático diseñado para simular conversaciones humanas mediante texto o voz. Los chatbots modernos basados en LLMs como ChatGPT o Claude pueden responder preguntas académicas, redactar textos y asistir en investigación.
Práctica académica de declarar explícitamente qué herramientas de IA se utilizaron, con qué propósito y en qué fase del trabajo se implementó, garantizando transparencia e integridad académica.
Modelo de entrega de servicios informáticos (servidores, almacenamiento, software) a través de Internet. En IA, permite acceder a capacidad de procesamiento necesaria para entrenar modelos sin infraestructura local.
Campo de la IA que permite a las máquinas interpretar y procesar información visual del mundo (imágenes y videos), con aplicaciones en diagnóstico médico, reconocimiento facial y vehículos autónomos.
Componente esencial de todos los proyectos de aprendizaje automático e IA. Los datos son la materia prima con la que se entrenan, prueban y validan los modelos de inteligencia artificial.
Datos organizados en formatos claramente definidos como tablas o bases de datos relacionales. Son más fáciles de analizar y son esenciales para tareas como análisis financiero o seguimiento académico.
Datos como texto libre, imágenes, audio o video que no tienen una organización predefinida. Representan la mayoría de los datos disponibles y su análisis requiere técnicas avanzadas de IA.
Conjunto de información que se utiliza para enseñar a un sistema de IA a reconocer patrones, aprender y generar respuestas o resultados. Pueden incluir textos, imágenes, audios, videos o números, dependiendo de la función para la que fue creada la IA.
Uso de herramientas de inteligencia artificial para detectar similitudes entre textos académicos y posibles contenidos generados por IA. Aunque existen opciones gratuitas, sus resultados no son totalmente precisos y deben complementarse con revisión humana, especialmente en contextos académicos.
Conjunto de principios y normas que buscan garantizar que la inteligencia artificial se use de manera responsable, justa, segura y transparente, respetando los derechos y el bienestar de las personas. Más información aquí.
Capacidad de un sistema de IA para hacer comprensible y comunicar de manera clara cómo y por qué llega a sus decisiones, permitiendo que las personas entiendan los procesos y factores que influyen en sus resultados.
Proceso crítico de valorar la exactitud, relevancia, coherencia y posibles sesgos de los contenidos generados por herramientas de IA antes de incorporarlos en trabajos académicos.
Modelo de IA entrenado con enormes cantidades de datos no etiquetados que puede ser adaptado para múltiples tareas mediante ajuste fino. Ejemplos: GPT-4, Llama o Claude.
Desarrollo de políticas, normas y marcos regulatorios para supervisar y velar por el uso ético y responsable de la inteligencia artificial, incluyendo auditoría de algoritmos, evaluación de riesgos y cumplimiento normativo internacional. Compilación Jurídica | Uso responsable de IA
Tipo de inteligencia artificial diseñada para crear contenido nuevo y original, como textos e imágenes, a partir de instrucciones o datos previos. Incluye modelos como ChatGPT, DALL-E o Midjourney, con usos crecientes en investigación, docencia y creación académica.
Rama de la informática orientada a crear sistemas capaces de realizar tareas que normalmente requieren inteligencia humana: aprendizaje, razonamiento, comprensión del lenguaje, percepción visual y toma de decisiones.
Conjunto de principios que rigen el uso ético y transparente de herramientas de IA en contextos universitarios, garantizando que la autoría intelectual y el esfuerzo propio sean reconocibles y verificables.
Arte y técnica de diseñar instrucciones claras, específicas y contextuales para obtener resultados precisos y útiles de modelos de IA generativa. Competencia clave en la alfabetización académica digital.
Modelos de IA entrenados con enormes corpus de texto que pueden comprender y generar lenguaje natural con alta coherencia. Capaces de redactar, resumir, traducir, razonar y responder preguntas. Ejemplos: GPT-4, Claude, Gemini.
Proceso de analizar grandes conjuntos de datos para identificar patrones, relaciones y conocimiento útil. Base de muchas aplicaciones de IA en investigación académica.
Representación matemática aprendida a partir de datos que un sistema de IA usa para hacer predicciones o tomar decisiones sobre nuevas entradas.
Modelo de IA capaz de procesar múltiples tipos de entrada: texto, imágenes, audio y video en una misma arquitectura. Permite interacciones más ricas en entornos académicos y de investigación.
Campo de la IA que permite a las computadoras comprender, interpretar y generar lenguaje humano. Incluye traducción automática, análisis de sentimientos, resumen de textos y comprensión lectora.
Sistema computacional inspirado en la estructura del cerebro humano, compuesto por capas de nodos interconectados. Es la arquitectura base del aprendizaje profundo y los modelos de lenguaje modernos.
Error en el que un modelo aprende demasiado bien los datos de entrenamiento, incluyendo el ruido, y pierde capacidad de generalizar correctamente a datos nuevos no vistos.
Riesgo académico derivado del uso no declarado o indebido de IA para generar trabajos. Se previene mediante transparencia, citación adecuada y adopción de políticas institucionales claras.
Principio que exige proteger la información sensible utilizada para entrenar modelos de IA o generada durante su uso. Especialmente relevante en entornos universitarios que manejan datos de estudiantes e investigadores.
Rama de la IA que permite a las máquinas comprender, interpretar y generar lenguaje humano. Es clave en buscadores académicos, análisis de textos, chatbots bibliotecarios y herramientas de apoyo a la escritura científica.
Instrucción, pregunta o contexto que se proporciona a un modelo de IA generativa para orientar su respuesta. La calidad del prompt determina en gran medida la utilidad del resultado obtenido.
Técnica que combina un modelo de lenguaje con la búsqueda en fuentes externas para generar respuestas más precisas y actualizadas. Muy útil en sistemas de búsqueda académica y asistentes de investigación.
Ocurre cuando los algoritmos incorporan o amplifican sesgos existentes en los datos o en las decisiones de diseño. Puede producir resultados discriminatorios en evaluaciones académicas, contratación o sistemas de justicia.
Unidad básica de procesamiento de texto en los LLMs. Puede corresponder a una palabra, parte de una palabra o un carácter. El número de tokens determina el costo y la capacidad de procesamiento de una consulta.
Arquitectura de red neuronal que revolucionó el procesamiento del lenguaje natural. Es la base de modelos como GPT, BERT y Claude. Su mecanismo de atención le permite entender el contexto a larga distancia en el texto.